CN117077353A - 基于多变量bp神经网络的碳排放测算建模、方法及装置 - Google Patents
基于多变量bp神经网络的碳排放测算建模、方法及装置 Download PDFInfo
- Publication number
- CN117077353A CN117077353A CN202310241370.3A CN202310241370A CN117077353A CN 117077353 A CN117077353 A CN 117077353A CN 202310241370 A CN202310241370 A CN 202310241370A CN 117077353 A CN117077353 A CN 117077353A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- neural network
- data
- representing
- gdp
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 146
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 56
- 238000005259 measurement Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000001556 precipitation Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 239000002803 fossil fuel Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多变量BP神经网络的碳排放测算建模、方法及装置，建模方法包括：步骤1：收集夜间灯光、降水、人口密度、NDVI、地表温度和高程数据，并统一到相同的分辨率，进行数据匹配；步骤2：采用IPCC提供的方法计算省级统计碳排放量，并利用GDP将其分配到县级；步骤3：利用BP神经网络模型进行碳排放量模型构建；将归一化后的数据作为输入，碳排放量作为输出，按照7：3的比例划分训练集和测试集；采用训练集对BP神经网络进行训练；测算结果的验证。本发明能够实现500m空间分辨率上的高精度碳排放估算。
Description
技术领域
本发明属于碳排放测算技术领域，涉及一种基于多变量BP神经网络的碳排放测算方法。
背景技术
目前，对碳排放测算的研究大致可分为“自下而上”和“自上而下”两种方法。其中，“自下而上”的方法基于统计的能源消费数据，根据质量守恒定律，计算燃烧过程中所消耗的碳排放。在实际工作中，主要采用的是IPCC推荐的方法，即以实际消费燃料的含碳量与非能源利用固碳量之差乘以燃料的氧化率来计算碳排放量。“自下而上”方法可以较为准确的测算碳排放值，但需要消耗大量的人力物力进行统计，并且会造成统计口径不一导致的统计不公正现象。
另外一种方法是“自上而下”方法，这种方法通过遥感卫星实现碳排放的估算与监测，即利用夜间灯光作为单一代理变量估算碳排放。夜间灯光遥感是一种可以探测夜间微光的光学遥感技术，可获取白天遥感无法获取的信息。该方法的基本思路为采用不同的建模方法建立夜间灯光与碳排放之间的关系，目前较为常用的建模方法为线性回归，面板分析等。但是单变量建模会导致模型信息量的不足，采用线性建模方法会导致模型精度不够高。
总的来说，难以根据自下而上方法探究统计单元内部的碳排放时间变化及空间分布，自上而下的方法弥补了这种不足，但是目前的自上而下方法存在建模变量较少，建模方法较为初级等问题，制约了该方法估算碳排放的精度。
发明内容
本发明的目的在于提供一种基于多变量BP神经网络的碳排放测算建模、方法及装置，以解决现有技术中建模方法较为初级从而制约了碳排放量测算精度的问题。
为实现上述目的，本发明采用如下技术方案予以实现：
一方面，本发明提供一种基于多变量BP神经网络的碳排放测算建模方法，包括如下步骤：
步骤1：收集夜间灯光、降水、人口密度、NDVI、地表温度和高程数据，并统一到相同的分辨率，进行数据匹配；
步骤2：采用IPCC提供的方法计算省级统计碳排放量，并利用GDP将其分配到县级；
步骤3：利用BP神经网络模型进行碳排放量模型构建；具体包括如下子步骤：
步骤3.1，将步骤1匹配后的夜间灯光、降水、人口密度、NDVI、地表温度、高程和步骤2计算得到的县级统计碳排放数据归一化，将归一化后的夜间灯光、降水、人口密度、NDVI、地表温度和高程作为输入，碳排放量作为输出，按照7：3的比例划分训练集和测试集；
步骤3.2，采用训练集对BP神经网络进行训练，得到训练好的BP神经网络；其中：
在BP神经网络的训练过程中，隐含层的输出为：
其中xi为输入，θj表示隐含层第j个隐含节点的阈值，f是一个非线性的转移函数，n代表输入层的节点数，m代表隐含层的节点数，k代表输出节点的数目，其中Wij代表输入层到隐含层的连接权重，Wil代表隐含层到输出层的连接权重；
据此可知，碳排放量的预测值为：
则碳排放量的预测值CE与统计值之间的均方误差通过以下公式计算：
BP神经网络根据梯度下降策略，以目标函数的负梯度方向对参数进行调整，对于误差elj,给定学习率η,对权重Wij和Wjl进行调整，并不断迭代，直到误差达到一定范围内；
步骤3.3，BP神经网络测算结果的验证。
进一步的，所述步骤2包括如下子步骤：
步骤2.1，采用下式，计算得到对应的碳排放测算值：
Yt＝∑Ejt×Fj×αj
其中，Yt表示第t年的碳排放量，Ejt表示第t年第j种化石能源的消耗量，Fj表示第j种化石燃料类型的排放系数，αj表示第j种化石燃料类型的低热值；
步骤2.2，获得省级碳排放数据，利用GDP作为权重将碳排放量分配到县级，具体公式为：
其中，CEzt代表z县第t年的碳排放量，GDPzt代表z县第t年的GDP总量，代表全省第t年的GDP总量。
进一步的，所述步骤3中，采用十折交叉验证的方式对训练好的模型进行验证，具体方法为：将训练集随机拆分成10等份，用其中9份进行训练，剩下一份进行预测，将预测得到的结果与原始数据进行对比，重复这个过程十次，最终得到所有数据的预测值。
第二方面，本发明提供一种基于多变量BP神经网络的碳排放测算方法，利用上述本发明的模型构建方法得到的BP神经网络模型对待测区域内像素碳排放量进行预测，得到空间化碳排放产品。
第三方面，本发明提供一种基于多变量BP神经网络的碳排放测算建模装置，包括数据采集及处理模块、碳排放量分配模块、神经网络模型构建模块；
所述数据采集及处理模块用于收集夜间灯光、降水、人口密度、NDVI、地表温度和高程数据，并统一到相同的分辨率，进行数据匹配；
所述碳排放量分配模块用于采用IPCC提供的方法计算省级统计碳排放量，并利用GDP将其分配到县级；
所述神经网络模型构建模块用于利用BP神经网络模型进行碳排放量模型构建；具体包括如下流程：
A、将数据采集及处理模块匹配后的夜间灯光、降水、人口密度、NDVI、地表温度、高程和碳排放量分配模块计算得到的县级统计碳排放数据归一化，将归一化后的夜间灯光、降水、人口密度、NDVI、地表温度和高程作为输入，碳排放量作为输出，按照7：3的比例划分训练集和测试集；
B、采用训练集对BP神经网络进行训练，得到训练好的BP神经网络；其中：
在BP神经网络的训练过程中，隐含层的输出为：
其中xi为输入，θj表示隐含层第j个隐含节点的阈值，f是一个非线性的转移函数，n代表输入层的节点数，m代表隐含层的节点数，k代表输出节点的数目，其中Wij代表输入层到隐含层的连接权重，Wil代表隐含层到输出层的连接权重；
碳排放量的预测值为：
则碳排放量的预测值CE与统计值之间的均方误差通过以下公式计算：
BP神经网络根据梯度下降策略，以目标函数的负梯度方向对参数进行调整，对于误差elj,给定学习率η,对权重Wij和Wjl进行调整，并不断迭代，直到误差达到一定范围内；
C、BP神经网络测算结果的验证。
进一步的，所述碳排放量分配模块实现功能的流程如下：
a、采用下式，计算得到对应的碳排放测算值：
Yt＝∑Ejt×Fj×αj
其中，Yt表示第t年的碳排放量，Ejt表示第t年第j种化石能源的消耗量，Fj表示第j种化石燃料类型的排放系数，αj表示第j种化石燃料类型的低热值；
b、获得省级碳排放数据，利用GDP作为权重将碳排放量分配到县级，具体公式为：
其中，CEzt代表z县第t年的碳排放量，GDPzt代表z县第t年的GDP总量，代表全省第t年的GDP总量。
进一步的，所述神经网络模型构建模块中，所述BP神经网络测算结果的验证采用十折交叉验证的方式，具体是将训练集随机拆分成10等份，用其中9份进行训练，剩下一份进行预测，将预测得到的结果与原始数据进行对比，重复这个过程十次，最终得到所有数据的预测值。
相较于现有技术，本发明具有如下技术效果：
1、相较于传统方法采用夜间灯光DN值，本发明在步骤二中采用GDP作为碳排放分配的权重可以有效避免模型的过拟合现象；
2、相较于单变量线性建模方法，本发明在步骤三中采用夜间灯光、降水、人口密度、NDVI、地表温度和高程等多变量参与建模，并用机器学习模型替代线性模型，大幅提高了建模精度；
3、相较于利用统计数据测算碳排放，本发明基于遥感数据进行碳排放测算，可打破统计数据行政界限的限制，在500m空间分辨率上实现高精度估算。
4、本发明能够实现500m空间分辨率上的高精度碳排放估算。经过验证，模型对碳排放量的预测结果可以达到决定系数(R2)在0.95以上，均方根误差(RMSE)为1.30百万吨，平均绝对误差(MAE)为0.58百万吨。得到的省级碳排放数据与中国碳核算数据库(CEADS)基本一致，得到的市县级碳排放数据与IPCC方法计算结果基本一致。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1是本发明中实施例1的方法流程图；
图2是本发明设计的神经网络结构图；
图3是实施例中BP神经网络模型的三种精度验证结果；
图4是实施例中模型预测得到的碳排放数据与IPCC方法计算得到的碳排放数据对比图；
图5是实施例中模型预测得到的500m分辨率某区域全覆盖碳排放空间分布图。
以下结合实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例1：
一种基于多变量BP神经网络的碳排放测算建模方法，包括如下步骤：
步骤1：收集夜间灯光、降水、人口密度、NDVI、地表温度和高程数据，并统一到相同的分辨率，进行数据匹配。
利用科罗拉多矿业大学年度VNL V2夜间灯光数据，其空间分辨率为15弧秒，时间分辨率为1年；利用CHIRPS降水数据集，其空间分辨率为0.05°，时间分辨率为1日；利用WorldPop人口密度数据，其空间分辨率为1km×1km，时间分辨率为1年；利用MODIS16天合成NDVI数据，其空间分辨率为500m×500m，时间分辨率为16天；利用SRTM高程数据，其空间分辨率为90m；利用MODIS地表温度数据，其空间分辨率为1km×1km，时间分辨率为1天。将所有数据统一重采样到500m×500m的空间分辨率，进行数据匹配。
步骤2：采用IPCC提供的方法计算省级统计碳排放，并利用GDP将其分配到县级；
步骤2.1，利用IPCC提供方法计算省级碳排放。
采用如下式所示的IPCC方法，计算得到对应的碳排放测算值：
Yt＝∑Ejt×Fj×αj
其中，Yt表示第t年的碳排放量，Ejt表示第t年第j种化石能源的消耗量，Fj表示第j种化石燃料类型的排放系数，αj表示第j种化石燃料类型的低热值。
步骤2.2，将省级碳排放数据分配到县级。
获得省级碳排放数据，利用GDP作为权重将碳排放量分配到县级，具体公式为：
其中，CEzt代表z县第t年的碳排放量，GDPzt代表z县第t年的GDP总量，代表全省第t年的GDP总量。
步骤3：利用BP神经网络模型进行碳排放建模。
BP神经网络具有优良的非线性映射能力和强大的自学习自适应能力。因此，本发明拟采用BP神经网络方法进行碳排放量测算，如图2所示。具体包括如下子步骤：
步骤3.1，将步骤1匹配后的夜间灯光、降水、人口密度、NDVI、地表温度、高程和步骤2计算得到的县级统计碳排放数据归一化，将归一化后的夜间灯光、降水、人口密度、NDVI、地表温度和高程作为输入，碳排放量作为输出，按照7：3的比例划分训练集和测试集。
步骤3.2，采用训练集对BP神经网络进行训练，得到训练好的BP神经网络；其中：
在BP神经网络的训练过程中，隐含层的输出为：
其中xi为输入，θj表示隐含层第j个隐含节点的阈值，f是一个非线性的转移函数，n代表输入层的节点数，m代表隐含层的节点数，k代表输出节点的数目，其中Wij代表输入层到隐含层的连接权重，Wil代表隐含层到输出层的连接权重；
据此可知，碳排放量的预测值为：
则碳排放量的预测值CE与统计值之间的均方误差通过以下公式计算：
BP神经网络根据梯度下降策略，以目标函数的负梯度方向对参数进行调整，对于误差elj,给定学习率η＝0.01,对权重Wij和Wjl进行调整，进行301次迭代，最终损失值在0.005以内。
步骤3.3，BP神经网络测算结果的验证。
具体是：采用十折交叉验证的方式对训练好的模型进行验证，这样能避免模型中潜在的过拟合问题。具体方法为：将训练集随机拆分成10等份，用其中9份进行训练，剩下一份进行预测，将预测得到的结果与原始数据进行对比，重复这个过程十次，最终得到所有数据的预测值。
同时，为了证明该方法的可行性和有效性，本发明采用决定系数(R2)、均方根误差(RMSE)和平均绝对误差(MAE)等精度验证指标对模型精度进行评定，具体公式为：
其中，表示模型预测的碳排放值，yi表示对应的统计碳排放值，/>表示统计碳排放的平均值，n表示预测值个数；
使用上述精度验证指标对模型的精度进行验证，得到的结果如图3所示。得到的直接拟合结果：R2＝0.95，RMSE＝1.30百万吨，MAE＝0.58百万吨；得到的交叉验证结果：R2＝0.92，RMSE＝1.74百万吨，MAE＝0.71百万吨；得到的测试集验证结果：R2＝0.99，RMSE＝0.53百万吨，MAE＝0.24百万吨。
可以看出，BP神经网络构建的碳排放测算模型计算的碳排放数量与IPCC方法计算的碳排放数量结果比较接近，从直接拟合结果与交叉验证结果来看，模型不存在严重的过拟合现象。
实施例2：
本实施例给出一种基于多变量BP神经网络的碳排放测算方法，利用本发明的模型构建方法得到的BP神经网络模型，对待测区域内像素碳排放量进行预测，得到空间化碳排放产品。
实施例3：
本实施例给出一种基于多变量BP神经网络的碳排放测算建模装置，包括数据采集及处理模块、碳排放量分配模块、神经网络模型构建模块；
所述数据采集及处理模块用于收集夜间灯光、降水、人口密度、NDVI、地表温度和高程数据，并统一到相同的分辨率，进行数据匹配；
所述碳排放量分配模块用于采用IPCC提供的方法计算省级统计碳排放量，并利用GDP将其分配到县级；
所述神经网络模型构建模块用于利用BP神经网络模型进行碳排放量模型构建；具体实现如下流程：
A、将数据采集及处理模块匹配后的夜间灯光、降水、人口密度、NDVI、地表温度、高程和碳排放量分配模块计算得到的县级统计碳排放数据归一化，将归一化后的夜间灯光、降水、人口密度、NDVI、地表温度和高程作为输入，碳排放量作为输出，按照7：3的比例划分训练集和测试集；
B、采用训练集对BP神经网络进行训练，得到训练好的BP神经网络；其中：
在BP神经网络的训练过程中，隐含层的输出为：
其中xi为输入，θj表示隐含层第j个隐含节点的阈值，f是一个非线性的转移函数，n代表输入层的节点数，m代表隐含层的节点数，k代表输出节点的数目，其中Wij代表输入层到隐含层的连接权重，Wil代表隐含层到输出层的连接权重；
碳排放量的预测值为：
则碳排放量的预测值CE与统计值之间的均方误差通过以下公式计算：
BP神经网络根据梯度下降策略，以目标函数的负梯度方向对参数进行调整，对于误差elj,给定学习率η,对权重Wij和Wjl进行调整，并不断迭代，直到误差达到一定范围内；
C、BP神经网络测算结果的验证。
所述碳排放量分配模块实现功能的流程如下：
a、采用下式，计算得到对应的碳排放测算值：
Yt＝∑Ejt×Fj×αj
其中，Yt表示第t年的碳排放量，Ejt表示第t年第j种化石能源的消耗量，Fj表示第j种化石燃料类型的排放系数，αj表示第j种化石燃料类型的低热值；
b、获得省级碳排放数据，利用GDP作为权重将碳排放量分配到县级，具体公式为：
其中，CEzt代表z县第t年的碳排放量，GDPzt代表z县第t年的GDP总量，代表全省第t年的GDP总量。
所述神经网络模型构建模块中，所述BP神经网络测算结果的验证采用十折交叉验证的方式，具体是将训练集随机拆分成10等份，用其中9份进行训练，剩下一份进行预测，将预测得到的结果与原始数据进行对比，重复这个过程十次，最终得到所有数据的预测值。
Claims (7)
1.一种基于多变量BP神经网络的碳排放测算建模方法，其特征在于，具体包括如下步骤：
步骤1：收集夜间灯光、降水、人口密度、NDVI、地表温度和高程数据，并统一到相同的分辨率，进行数据匹配；
步骤2：采用IPCC提供的方法计算省级统计碳排放量，并利用GDP将其分配到县级；
步骤3：利用BP神经网络模型进行碳排放量模型构建；具体包括如下子步骤：
步骤3.1，将步骤1匹配后的夜间灯光、降水、人口密度、NDVI、地表温度、高程和步骤2计算得到的县级统计碳排放数据归一化，将归一化后的夜间灯光、降水、人口密度、NDVI、地表温度和高程作为输入，碳排放量作为输出，按照7：3的比例划分训练集和测试集；
步骤3.2，采用训练集对BP神经网络进行训练，得到训练好的BP神经网络；其中：
在BP神经网络的训练过程中，隐含层的输出为：
其中xi为输入，θj表示隐含层第j个隐含节点的阈值，f是一个非线性的转移函数，n代表输入层的节点数，m代表隐含层的节点数，k代表输出节点的数目，其中Wij代表输入层到隐含层的连接权重，Wil代表隐含层到输出层的连接权重；
据此可知，碳排放量的预测值为：
则碳排放量的预测值CE与统计值之间的均方误差通过以下公式计算：
BP神经网络根据梯度下降策略，以目标函数的负梯度方向对参数进行调整，对于误差elj,给定学习率η,对权重Wij和Wjl进行调整，并不断迭代，直到误差达到一定范围内；
步骤3.3，BP神经网络测算结果的验证。
2.如权利要求1所述的基于多变量BP神经网络的碳排放测算建模方法，其特征在于，所述步骤2包括如下子步骤：
步骤2.1，采用下式，计算得到对应的碳排放测算值：
Yt＝Ejt×Fj×αj
其中，Yt表示第t年的碳排放量，Ejt表示第t年第j种化石能源的消耗量，Fj表示第j种化石燃料类型的排放系数，αj表示第j种化石燃料类型的低热值；
步骤2.2，获得省级碳排放数据，利用GDP作为权重将碳排放量分配到县级，具体公式为：
其中，CEzt代表z县第t年的碳排放量，GDPzt代表z县第t年的GDP总量，代表全省第t年的GDP总量。
3.如权利要求1所述的基于多变量BP神经网络的碳排放测算建模方法，其特征在于，所述步骤3中，采用十折交叉验证的方式对训练好的模型进行验证，具体方法为：将训练集随机拆分成10等份，用其中9份进行训练，剩下一份进行预测，将预测得到的结果与原始数据进行对比，重复这个过程十次，最终得到所有数据的预测值。
4.一种基于多变量BP神经网络的碳排放测算方法，其特征在于，利用权利要求1或2所述方法得到的BP神经网络模型对待测区域内像素碳排放量进行预测，得到空间化碳排放产品。
5.一种基于多变量BP神经网络的碳排放测算建模装置，其特征在于，包括数据采集及处理模块、碳排放量分配模块、神经网络模型构建模块；
所述数据采集及处理模块用于收集夜间灯光、降水、人口密度、NDVI、地表温度和高程数据，并统一到相同的分辨率，进行数据匹配；
所述碳排放量分配模块用于采用IPCC提供的方法计算省级统计碳排放量，并利用GDP将其分配到县级；
所述神经网络模型构建模块用于利用BP神经网络模型进行碳排放量模型构建；具体包括如下流程：
A、将数据采集及处理模块匹配后的夜间灯光、降水、人口密度、NDVI、地表温度、高程和碳排放量分配模块计算得到的县级统计碳排放数据归一化，将归一化后的夜间灯光、降水、人口密度、NDVI、地表温度和高程作为输入，碳排放量作为输出，按照7：3的比例划分训练集和测试集；
B、采用训练集对BP神经网络进行训练，得到训练好的BP神经网络；其中：
在BP神经网络的训练过程中，隐含层的输出为：
其中xi为输入，θj表示隐含层第j个隐含节点的阈值，f是一个非线性的转移函数，n代表输入层的节点数，m代表隐含层的节点数，k代表输出节点的数目，其中Wij代表输入层到隐含层的连接权重，Wil代表隐含层到输出层的连接权重；
碳排放量的预测值为：
则碳排放量的预测值CE与统计值之间的均方误差通过以下公式计算：
BP神经网络根据梯度下降策略，以目标函数的负梯度方向对参数进行调整，对于误差elj,给定学习率η,对权重Wij和Wjl进行调整，并不断迭代，直到误差达到一定范围内；
C、BP神经网络测算结果的验证。
6.如权利要求5所述的基于多变量BP神经网络的碳排放测算建模装置，其特征在于，所述碳排放量分配模块实现功能的流程如下：
a、采用下式，计算得到对应的碳排放测算值：
Yt＝Ejt×Fj×αj
其中，Yt表示第t年的碳排放量，Ejt表示第t年第j种化石能源的消耗量，Fj表示第j种化石燃料类型的排放系数，αj表示第j种化石燃料类型的低热值；
b、获得省级碳排放数据，利用GDP作为权重将碳排放量分配到县级，具体公式为：
其中，CEzt代表z县第t年的碳排放量，GDPzt代表z县第t年的GDP总量，代表全省第t年的GDP总量。
7.如权利要求5所述的基于多变量BP神经网络的碳排放测算建模装置，其特征在于，所述神经网络模型构建模块中，所述BP神经网络测算结果的验证采用十折交叉验证的方式，具体是将训练集随机拆分成10等份，用其中9份进行训练，剩下一份进行预测，将预测得到的结果与原始数据进行对比，重复这个过程十次，最终得到所有数据的预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310241370.3A CN117077353A (zh) | 2023-03-14 | 2023-03-14 | 基于多变量bp神经网络的碳排放测算建模、方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310241370.3A CN117077353A (zh) | 2023-03-14 | 2023-03-14 | 基于多变量bp神经网络的碳排放测算建模、方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117077353A true CN117077353A (zh) | 2023-11-17 |
Family
ID=88704898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310241370.3A Pending CN117077353A (zh) | 2023-03-14 | 2023-03-14 | 基于多变量bp神经网络的碳排放测算建模、方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077353A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117742160A (zh) * | 2024-02-09 | 2024-03-22 | 广州市威士丹利智能科技有限公司 | 基于人工智能的碳排放优化控制方法及系统 |
-
2023
- 2023-03-14 CN CN202310241370.3A patent/CN117077353A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117742160A (zh) * | 2024-02-09 | 2024-03-22 | 广州市威士丹利智能科技有限公司 | 基于人工智能的碳排放优化控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ali et al. | Review of urban building energy modeling (UBEM) approaches, methods and tools using qualitative and quantitative analysis | |
| Zhong et al. | A city-scale estimation of rooftop solar photovoltaic potential based on deep learning | |
| CN106651036A (zh) | 空气质量预报系统 | |
| Yao et al. | A support vector machine approach to estimate global solar radiation with the influence of fog and haze | |
| CN110346517B (zh) | 一种智慧城市工业大气污染可视化预警方法及其系统 | |
| Chen et al. | City-and county-level spatio-temporal energy consumption and efficiency datasets for China from 1997 to 2017 | |
| Yousif et al. | Analysis and forecasting of weather conditions in Oman for renewable energy applications | |
| CN105243435A (zh) | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 | |
| CN115759488B (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
| Wang et al. | High-resolution prediction of the spatial distribution of PM2. 5 concentrations in China using a long short-term memory model | |
| CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
| CN112183625A (zh) | 一种基于深度学习的pm2.5高精度时空预测方法 | |
| CN117077353A (zh) | 基于多变量bp神经网络的碳排放测算建模、方法及装置 | |
| CN117788218A (zh) | 一种碳排放评估方法及系统 | |
| Zhang et al. | A data transfer method based on one dimensional convolutional neural network for cross-building load prediction | |
| Li et al. | Assessing urban micro-climates with vertical and horizontal building morphological cutting deep transfer learning neural networks | |
| Hatamian et al. | Location-aware green energy availability forecasting for multiple time frames in smart buildings: The case of Estonia | |
| Wang et al. | Estimation of urban AQI based on interpretable machine learning | |
| CN117370813A (zh) | 一种基于k线模式匹配算法的大气污染深度学习预测方法 | |
| Sundaram et al. | Advancing building energy efficiency: A deep learning approach to early-stage prediction of residential electric consumption | |
| CN116796291A (zh) | 一种基于lstm-mea-svr空气质量预报的系统 | |
| Langtry et al. | Impact of data for forecasting on performance of model predictive control in buildings with smart energy storage | |
| CN115549082A (zh) | 基于负荷挖掘和lstm神经网络的电力负荷预测方法 | |
| Meng et al. | Regional PM2. 5 concentration prediction analysis and spatio-temporal mapping incorporating ZWD data | |
| Xie et al. | Evaluation and of university building design effect based on multisensor perception and data security |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |